Μια μέθοδος για την τηλεπισκοπική αναγνώριση ανεξέλεγκτων χώρων υγειονομικής ταφής: διαμόρφωση και επαλήθευση

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1. Γραμμές σάρωσης IKONOS στις 26 Ιουνίου και 2 Ιουλίου του 2001.
Εικόνα 2. (α) Οι μέσες φασματικές υπογραφές των 13 ROIs που επιλέγονται στις επτά περιοχές βαθμονόμησης, (b) φασματικές υπογραφές της κατηγορίας 1 (πολύ καταπονημένη καφέ-κίτρινη βλάστηση), Κλάση 2 (ανομοιόμορφα καταπονημένη φυτοκάλυψη), Κλάση 3 (γυμνό έδαφος με πολύ σπάνια παρουσία της βλάστησης) και Κατηγορία 4 (ελαφρά καταπονημένη βλάστηση).
Εικόνα 3. Αποτελέσματα της κατάταξης στην περιοχή κατάρτισης: κόκκινο=Κλάση 1 (πολύ καταπονημένη καφέ-κίτρινη βλάστηση), κίτρινο-=Κλάση 2 (μη-ομοιόμορφα καταπονημένης φυτοκάλυψης), καφέ=Κλάση 3 (γυμνό έδαφος με πολύ σπάνια παρουσία της βλάστησης), πράσινο=Κλάση 4 (ελαφρά καταπονημένη βλάστηση), μαύρο =αταξινόμητοι χώροι

Πηγή

Συγγραφείς: S. SILVESTRI and M. OMRI


Αντικείμενο

Ο προσδιορισμός των ανεξέλεγκτων χωματερών είναι ένα κεντρικό περιβαλλοντικό πρόβλημα σε όλες τις ανεπτυγμένες και τις αναπτυσσόμενες χώρες. Πολυάριθμες παράνομες παλιές χωματερές, συνήθως 30-50 χρόνων, είναι πλέον κρυφές ή ξεχασμένες. Τα απόβλητα, που συνήθως απορρίπτονται σε πρώην λατομεία είναι συχνά δύσκολο να εντοπιστούν και σε πολλές περιπτώσεις αποτελούν πηγές μόλυνσης και κίνδυνο για την ανθρώπινη υγεία.

Η σημασία της ενσωμάτωσης του GIS και της τηλεπισκόπησης επισημαίνεται και αποτελεί ένα βασικό μέσο για τη διαχείριση του περιβάλλοντος και για τον χωρικά κατανεμημένο χαρακτηρισμό των πιθανά μη ελεγχόμενων χώρων υγειονομικής ταφής.


Σκοπός

Σκοπός είναι η παρουσίαση και επαλήθευση μιας μεθόδου που χρησιμοποιεί τηλεπισκοπικές πληροφορίες και ένα σύστημα γεωγραφικών πληροφοριών (GIS) για τον εντοπισμό των άγνωστων χώρων υγειονομικής ταφής σε μεγάλες περιοχές. Η μέθοδος εφαρμόζεται σε μια περιοχή μελέτης που βρίσκεται στην ΒΑ Ιταλία (τμήμα της λεκάνης απορροής της λιμνοθάλασσας της Βενετίας) χρησιμοποιώντας IKONOS δορυφορικά δεδομένα, εντοπισμό καταπονημένης βλάστησης που σχετίζεται με χώρους υγειονομικής ταφής και μπορεί να χρησιμοποιηθεί ως δείκτης της ίδιας της μόλυνσης.

Ως εκ τούτου, απεικονίζεται και τονίζεται η σημασία της ενσωμάτωσης των τεχνικών τηλεπισκόπησης με άλλες πηγές πληροφόρησης, που, κυρίως, προέρχονται από τη χρήση τηλεπισκοπικών πληροφοριών και ένα σύστημα γεωγραφικών πληροφοριών (GIS) και ιστορικές αεροφωτογραφίες.


Συλλογή δεδομένων και προ-επεξεργασία

Ένα μεγάλο σύνολο δεδομένων από δορυφορικές παρατηρήσεις IKONOS χρησιμοποιήθηκε, τα οποία συλλέγονται τον Ιούνιο-Ιούλιο 2001, για την λεκάνη απορροής της λιμνοθάλασσας. Η περίοδος απόκτησης ήταν πολύ ευνοϊκή, λόγω των δροσερών και βροχερών καιρικών συνθηκών, επιτρέποντας μια καλή ανάπτυξη της βλάστησης και την ενίσχυση της πιθανής αντίθεσης μεταξύ καταπονημένης και μη βλάστησης. Η περιοχή μελέτης καλύφθηκε πλήρως από οκτώ IKONOS αποκτήματα: τέσσερις γραμμές σάρωσης (SL_1-10, SL_1-4bis, SL_11-18 και SL_19-30) αποκτήθηκαν στις 26 Ιουνίου 2001 και οι υπόλοιπες τέσσερεις (SL_31-42, SL_43-54, SL_55-66 και SL_ 67-70) αποκτήθηκαν στις 2 Ιουλίου 2001.

Τα πολυφασματικά pan-sharpened IKONOS δεδομένα βαθμονομήθηκα ραδιομετρικά και διορθώθηκαν ατμοσφαιρικά με εφαρμογή του μοντέλου μεταφοράς ακτινοβολίας MODTRAN 4. Ο δείκτης της ατμοσφαιρικής ορατότητας υπολογίστηκε με βοηθητικά δεδομένα, που συλλέγονται στο έδαφος, και ιδίως το οπτικό πάχος της ατμόσφαιρας αξιολογήθηκε χρησιμοποιώντας ένα ήλιο-φωτόμετρο (CIMEL CE-318-2, πέντε κανάλια σε μήκη κύματος 0,44, 0,67, 0,87, 0,94 και 1,02 χιλιοστών).

Τέλος, οι γραμμές σάρωσης IKONOS διορθώθηκαν και γεω-αναφέρθηκαν, επιτρέποντας την σύνθεση των διαφορετικών σαρώσεων και την επίτευξη σύνδεσης με τους χάρτες GIS.


Μέθοδοι αναγνώρισης θαμμένων αποβλήτων

Η μέθοδος που χρησιμοποιείται για την ταυτοποίηση ανεξέλεγκτων χωματερών χωρίστηκε σε τρία βήματα:

  • την αρχική αναγνώριση των πιθανών μολυσμένων χώρων χρησιμοποιώντας κατάταξη μέγιστης πιθανότητας (ML),
  • η χειροκίνητη ψηφιοποίηση των ανιχνευμένων περιοχών,
  • η επιλογή, ανάμεσα σε όλους τους ψηφιοποιημένους χώρους, των πιθανότερων υποψηφίων βάσει των πληροφοριών GIS και άλλων βοηθητικών δεδομένων (π.χ. ιστορικές πληροφορίες που προέρχονται από αεροφωτογραφίες ή που συλλέγονται από τις τοπικές περιοχές).

Στο πρώτο βήμα (Εικόνα 2), οι 13 κατηγορίες που προκύπτουν από την εφαρμογή του αλγορίθμου ML στη συνέχεια συγχωνεύθηκαν σε τέσσερις Κλάσεις με βάση τις φασματικές ομοιότητες μεταξύ των αρχικών περιοχών ενδιαφέροντος.

Όσον αφορά στην Εικόνα 2-α, τα τρία πρώτα φάσματα που αναφέρονται, σχετίζονται με πολύ καταπονημένη καφέ-κίτρινη βλάστηση. Στην Εικόνα 2-b ελήφθη ο μέσος όρος για να δώσει το φάσμα της Κλάσης 1. Ο μέσος όρος των επόμενων τριών φασμάτων, χαρακτηρίζοντας μη ομοιόμορφα καταπονημένη φυτοκάλυψη, αντιπροσωπεύουν την Κλάση 2. Το αντιπροσωπευτικό φάσμα της Κλάσης 3 αποκτήθηκε από τα επόμενα τρία φάσματα, που προέρχονται από το γυμνό έδαφος με πολύ χαμηλή παρουσία βλάστησης. Ο μέσος όρος των τελευταίων τεσσάρων φασμάτων, που περιέχουν ελαφρά καταπονημένη βλάστηση, αντιπροσωπεύει την Κλάση 4.

Το δεύτερο βήμα της μεθόδου περιελάβανε οπτική ερμηνεία. Βάσει των αποτελεσμάτων της ταξινόμησης ένας χειριστής επέλεξε και ψηφιοποίησε κάθε υποψήφια τοποθεσία. Ο χειριστής επέλεξε τις υποψήφιες τοποθεσίες με:

  • τη χρήση RGB (Κόκκινο Πράσινο Μπλε) ή NIRGB (Εγγύς Υπέρυθρο Πράσινο Μπλε) εικόνων ως βοηθητικές πληροφορίες,
  • την αναγνώριση ως υποψήφιων χώρων μόνο τις περιοχές που περιέχουν τμήματα των περιοχών της Κλάσης 1 και / ή της Κλάσης 2.

Το τρίτο βήμα της μεθόδου βασίστηκε στην ανάλυση των βοηθητικών, χωρικά κατανεμημένων, πληροφοριών οργανωμένων μέσα σε ένα GIS. Η μέθοδος που υιοθετήθηκε στην παρούσα μελέτη βασίστηκε σε έναν βήμα προς βήμα αποκλεισμό περιοχών με πολύ χαμηλή πιθανότητα να έχουν μολυνθεί, με βάση τα ακόλουθα κριτήρια:

  • περιοχές, που δεν είναι προσβάσιμες μέσα από δρόμους ή μονοπάτια, δεν μπορεί να είναι ένας χώρος διάθεσης.
  • τοποθεσίες για τις οποίες δε θα μπορούσε να εντοπιστεί προηγούμενη ύποπτη δραστηριότητα από το ιστορικό αεροφωτογραφιών (όταν είναι διαθέσιμο) ή από τις εκθέσεις των τοπικών αρχών.


Αποτελέσματα

Τα αποτελέσματα της ML ταξινόμησης για την περιοχή φαίνονται στην Εικόνα 3. Οι μη ταξινομημένες περιοχές είναι καλλιεργημένες εκτάσεις με υγιή βλάστηση, κτίρια, δρόμους, ποτάμια, λίμνες, κλπ.

Πολλές περιοχές έχουν ταξινομηθεί ως γυμνά εδάφη και ελαφρώς καταπονημένης βλάστησης (Κλάσεις 3 και 4),χωρίς απαραίτητα να περιέχουν απόβλητα. Αντίθετα, είναι πολύ περιορισμένες οι περιοχές που έχουν χαρακτηριστεί ως πολύ ή ανομοιόμορφα καταπονημένης βλάστησης (Κλάσεις 1 και 2), και συνήθως είναι μέρος των μεγαλύτερων πεδίων, που περιλαμβάνουν επίσης γυμνά εδάφη και ελαφρώς καταπονημένη βλάστηση.

Συνοπτικά, τα αποτελέσματα που λαμβάνονται από την επεξεργασία δεδομένων τηλεπισκόπισης και από την επακόλουθη οπτική ερμηνεία δείχνουν ότι:

  • όλες οι επιλεγμένες παράνομες χωματερές εμπεριέχουν μεγάλες περιοχές καταπονημένης βλάστησης, οι οποίες αναγνωρίζονται σωστά από την κατάταξη,
  • η βλάστηση έχει αποδειχθεί ότι είναι ένας καλός δείκτης της μόλυνσης
  • την παρουσία καταπονημένων περιοχών βλάστησης μπορεί να χρησιμοποιηθεί με επιτυχία από έναν χειριστή, για να εντοπίσει πιθανές ανεξέλεγκτες χωματερές, ακόμη και αν η περιοχή μελέτης είναι πολύ μεγάλη.


Συζήτηση

Η παρούσα εργασία στοχεύει να προσδιορίσει θαμμένα υλικά, και ως εκ τούτου τα φασματικά χαρακτηριστικά των υλικών αυτών δεν ήταν χρήσιμα για τη θέση τους και ένας «δείκτης» της ρύπανσης του εδάφους ήταν απαραίτητος. Καταπονημένες περιοχές βλάστησης βρέθηκαν μέσα σε όλες τις παράνομες χωματερές που έχουν επιλεγεί για την επικύρωση της μεθόδου ταξινόμησης και αναγνωρίστηκαν ορθώς.

  • Αυτή η μελέτη απέδειξε ότι η βλάστηση μπορεί να χρησιμοποιηθεί ως αξιόπιστος δείκτης της παρουσίας ανεξέλεγκτων χωματερών. Η παρουσία της μπορεί να χρησιμοποιηθεί με επιτυχία για τον εντοπισμό ενδεχομένως μολυσμένων χώρων σε μεγάλες περιοχές μελέτης.
  • Δείχθηκε ότι οι περιοχές, που προσδιορίζονται με τη χρήση καταπονημένης βλάστησης ως δείκτη της μόλυνσης, έχουν μεγάλη πιθανότητα να έχουν μολυνθεί. Ο συνδυασμός της οπτικής ερμηνείας με στατιστική επεξεργασία βελτιώνει τη συνολική αποτελεσματικότητα της διαδικασίας.
  • Η χρήση των πληροφοριών GIS και συμπληρωματικών δεδομένων, που συλλέγονται από τις τοπικές αρχές, είναι απαραίτητη για την επιλογή τοποθεσίας, μειώνοντας τον αριθμό των υποψηφίων ρυπασμένων τόπων.


Συμπεράσματα

  • Η βλάστηση αποδείχθηκε να είναι ένας καλός δείκτης της πιθανώς ρυπασμένων τόπων.
  • Τα αποτελέσματα δείχνουν ότι η ενοποίηση των αυτόματων μεθόδων αναγνώρισης, που βασίζεται σε δεδομένα τηλεπισκόπησης, με την παρέμβαση των ανθρώπινων φορέων και με χωρικά κατανεμημένη γεωγραφική πληροφορία είναι μια αναγκαιότητα για την επιλογή των πιο πιθανών ρυπασμένων περιοχών.
  • Η τηλεπισκόπηση χρησιμοποιήθηκε με επιτυχία για τον εντοπισμό πολλών υποψήφιων περιοχών, που είναι πιο πιθανό να φιλοξενήσουν απόβλητα, και το αποτέλεσμα αυτό κατέστη δυνατό με την ανάλυση των αεροφωτογραφιών και δορυφορικών δεδομένων, που επέτρεψαν την εξερεύνηση των πολύ μεγάλων περιοχών.
Προσωπικά εργαλεία